docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,184 @@
|
||||
---
|
||||
id: wiki-2026-0508-work-displacement
|
||||
title: Work Displacement (AI 노동 대체)
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Job Displacement, AI Automation, Labor Displacement, Technological Unemployment]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.85
|
||||
verification_status: applied
|
||||
tags: [labor, economics, ai-impact, automation, policy]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: Python/R
|
||||
framework: pandas/statsmodels
|
||||
---
|
||||
|
||||
# Work Displacement (AI 노동 대체)
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 AI/automation 이 매 specific tasks/occupations 의 demand 를 매 reduce/eliminate — 매 net unemployment 와 매 different concept (재배치 가능성 포함)"**. Frey & Osborne 2013 47% 추정 부터 매 IMF 2024 (40% global jobs 영향), Goldman Sachs 2023 (300M FTE), MIT Acemoglu 2024 의 매 conservative estimate (5-10% GDP 효과 / 10년) 까지 매 다양한 추정. 2026 현재 매 white-collar (legal, code, design, customer support) 가 매 first-wave 에 있고, 매 재훈련 / wage 압력 / inequality 가 매 policy 핵심 의제.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 displacement vs replacement vs augmentation
|
||||
- **Displacement**: task 자체 매 사라짐 (e.g., elevator operator).
|
||||
- **Replacement (substitution)**: human 매 machine 으로 대체.
|
||||
- **Augmentation**: human + AI 매 productive — 매 어떤 worker 매 더 valuable.
|
||||
- **Compensation effects**: 매 displaced worker 매 new task / lower-cost product / new sector 로 흡수 (역사적 trend).
|
||||
|
||||
### 매 task 단위 분석 (Acemoglu-Restrepo framework)
|
||||
- 매 occupation = bundle of tasks. AI 매 일부 task 만 자동화 — 매 occupation 자체 disappear 보다 매 task composition 변경 보통.
|
||||
- 매 "exposure" ≠ "automation" — 매 GPT 가 task 처리 가능 means exposed, but adoption / cost / regulation 매 lag.
|
||||
|
||||
### 매 affected categories (2026 evidence)
|
||||
- **Highly exposed**: paralegal, copywriter, junior translator, basic illustrator, tier-1 customer support, junior dev (boilerplate code), tax prep.
|
||||
- **Augmented**: senior eng, doctor (radiology + AI co-read), researcher, analyst, designer.
|
||||
- **Insulated**: hands-on physical (plumber, surgeon), high-touch interpersonal (therapy, teaching young kids), strategic / political.
|
||||
|
||||
### 매 empirical findings (2024-2026)
|
||||
- Brynjolfsson et al. 2023: customer support — 매 14% productivity, 매 novice gains > expert.
|
||||
- MIT writing study 2023: 37% time reduction, quality up.
|
||||
- Goldman 2024: 매 entry-level coder demand 매 5-15% 감소 signal (US BLS data).
|
||||
- WEF 2025 Future of Jobs: 매 net 7M jobs decline 2025-2030, 매 AI-adjacent role 매 10M 증가.
|
||||
|
||||
### 매 policy responses
|
||||
1. UBI / negative income tax — 매 still pilot stage.
|
||||
2. Reskilling / displacement insurance (Singapore SkillsFuture, EU Just Transition).
|
||||
3. Working time reduction (4-day week trials).
|
||||
4. AI-specific tax (Bill Gates proposal).
|
||||
5. Sectoral protection (e.g., truckers vs autonomous trucks).
|
||||
|
||||
### 매 응용
|
||||
1. Workforce planning (어느 role 매 AI exposure 높은지).
|
||||
2. Curriculum design (대학, bootcamp).
|
||||
3. Public policy modeling.
|
||||
4. Corporate L&D investment 결정.
|
||||
5. Personal career strategy.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### 1. O*NET task exposure score (Python)
|
||||
```python
|
||||
# Compute occupation-level AI exposure from task descriptions
|
||||
import pandas as pd
|
||||
from sentence_transformers import SentenceTransformer
|
||||
import numpy as np
|
||||
|
||||
embedder = SentenceTransformer("BAAI/bge-large-en-v1.5")
|
||||
|
||||
# AI capability descriptors (cf. Eloundou et al. 2023 GPTs are GPTs)
|
||||
AI_CAPS = [
|
||||
"summarize a long document",
|
||||
"draft an email or report",
|
||||
"write or debug code",
|
||||
"extract structured data from text",
|
||||
"answer factual questions",
|
||||
"translate between languages",
|
||||
"generate an image from a description",
|
||||
]
|
||||
|
||||
tasks = pd.read_csv("onet_tasks.csv") # task_id, occupation, task_text
|
||||
ai_emb = embedder.encode(AI_CAPS, normalize_embeddings=True)
|
||||
|
||||
def exposure(task_text: str) -> float:
|
||||
t = embedder.encode(task_text, normalize_embeddings=True)
|
||||
return float(np.max(t @ ai_emb.T))
|
||||
|
||||
tasks["exposure"] = tasks.task_text.apply(exposure)
|
||||
occ = tasks.groupby("occupation").exposure.mean().sort_values(ascending=False)
|
||||
print(occ.head(20))
|
||||
```
|
||||
|
||||
### 2. Wage impact regression
|
||||
```python
|
||||
import statsmodels.formula.api as smf
|
||||
import pandas as pd
|
||||
|
||||
# Cross-sectional wage / employment by occupation × AI exposure
|
||||
df = pd.read_csv("bls_acs_2025.csv") # occ, exposure, wage_change_pct, employment_change_pct
|
||||
m = smf.ols("wage_change_pct ~ exposure + edu_years + female_share + remote_share", data=df).fit()
|
||||
print(m.summary())
|
||||
```
|
||||
|
||||
### 3. Difference-in-differences (ChatGPT shock 2022→2025)
|
||||
```python
|
||||
# Treatment: high-exposure occupations, post: 2023+
|
||||
import statsmodels.formula.api as smf
|
||||
|
||||
panel["post"] = (panel.year >= 2023).astype(int)
|
||||
panel["treat"] = (panel.exposure > panel.exposure.median()).astype(int)
|
||||
panel["did"] = panel.post * panel.treat
|
||||
|
||||
m = smf.ols(
|
||||
"log_employment ~ post + treat + did + C(occ) + C(year)",
|
||||
data=panel,
|
||||
).fit(cov_type="cluster", cov_kwds={"groups": panel.occ})
|
||||
print(m.params["did"], m.pvalues["did"])
|
||||
```
|
||||
|
||||
### 4. Reskilling pathway recommender
|
||||
```python
|
||||
# For displaced worker, suggest adjacent occupations with low exposure
|
||||
def recommend(current_occ: str, df: pd.DataFrame, top_k=5):
|
||||
cur_skills = df[df.occ == current_occ].iloc[0].skill_vector # pre-computed
|
||||
candidates = df[df.exposure < df.exposure.quantile(0.3)]
|
||||
candidates = candidates.assign(
|
||||
sim=candidates.skill_vector.apply(lambda v: float(v @ cur_skills)),
|
||||
)
|
||||
return candidates.nlargest(top_k, "sim")[["occ", "wage_median", "sim", "exposure"]]
|
||||
```
|
||||
|
||||
### 5. Macro impact simulation (production-function)
|
||||
```python
|
||||
# Cobb-Douglas with AI as capital-like factor
|
||||
import numpy as np
|
||||
def gdp(L, K, AI, alpha=0.3, beta=0.5, gamma=0.2, A=1.0):
|
||||
return A * L**alpha * K**beta * AI**gamma
|
||||
|
||||
# Scenario: AI capital grows 30%/yr, labor productivity 비례
|
||||
years = np.arange(2026, 2036)
|
||||
L0, K0, AI0 = 100, 100, 10
|
||||
gdp_path = [gdp(L0 * 1.005**i, K0 * 1.02**i, AI0 * 1.30**i) for i in range(len(years))]
|
||||
print({y: round(v, 1) for y, v in zip(years, gdp_path)})
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Workforce planning corporate | O*NET exposure + internal task mining → role redesign |
|
||||
| Personal career planning | high-touch / strategic / physical tasks 비중 증가 방향 |
|
||||
| Public policy | sectoral exposure 분석 + reskilling / safety net 설계 |
|
||||
| L&D investment | augmentation skill (prompt eng, AI literacy) > 단순 tool training |
|
||||
| Hiring strategy | senior + AI-augmented 매 leverage 매 큼; junior pipeline 재설계 |
|
||||
|
||||
**기본값**: 매 task 단위 분석 (occupation 단위 X) → 매 augmentation-first framing (replacement-first 매 over-pessimist).
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Technological Unemployment]]
|
||||
- 응용: [[UBI]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 strategic workforce/career decision, 매 policy analysis, 매 corporate restructure planning.
|
||||
**언제 X**: 매 short-term predictions about specific job count 매 unreliable — 매 directional / probabilistic framing.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Lump of labor fallacy**: 매 work 의 fixed pie 가정 — 매 historical 으로 매 false. 매 new task / new sector 매 emerge.
|
||||
- **Occupation-level only**: 매 task-level 이 정확한 단위.
|
||||
- **Frey-Osborne 47% 매 prediction 으로 인용**: 매 exposure score 매 actual displacement 와 다름.
|
||||
- **AI-doomer + AI-utopian extremes**: 매 둘 다 evidence 와 매 잘 맞지 않음 — 매 transition cost 와 매 distributional impact 가 핵심.
|
||||
- **Reskilling = silver bullet**: 매 mid-career reskilling 매 historically low success rate (~30%) — 매 supplemented by social safety net 필요.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Acemoglu & Restrepo 2018, Eloundou et al. 2023, IMF Gen-AI Working Paper 2024, WEF Future of Jobs 2025).
|
||||
- 신뢰도 A (empirical), B (forecasts).
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — task-level framework + empirical findings + policy options |
|
||||
Reference in New Issue
Block a user